Was du lernen wirst
Unser kuratierter Lehrplan bringt dich in 12 Wochen (Vollzeit) oder 24 Wochen (Teilzeit) strukturiert durch Data Science & AI – von Python/SQL über Machine Learning bis zu Deep Learning und NLP, inklusive Projektarbeit und Feedback.
Grundlagen
SQL, Python, Jupyter Notebook, Git & GitHub sowie lineare Algebra, Wahrscheinlichkeitsrechnung und Statistik
Datenanalyse
Datenbereinigung, -vorbereitung und -exploration, Visualisierung und Storytelling mit Pandas & Matplotlib
Klassisches Machine Learning
Überwachtes & unüberwachtes Lernen, Modell-Tuning, Naive Bayes, SVM, Random Forest, ML-Pipelines und Klassifikation
Deep Learning
Neuronale Netze (Implementierung, Debugging, Optimierung), CNN-Architekturen, Autoencoder, Data Augmentation mit TensorFlow, Keras & scikit-learn
Natural Language Processing
Text-Tokenisierung, RNNs & LSTMs, Attention-Mechanismen, Transformer-Modelle und Chatbot-Entwicklung
Kapitel 0: Vorarbeit
Data Science & AI wird in immer mehr Teams zum festen Bestandteil – von Reporting und Automatisierung bis zu ML-basierten Produkten. In diesem Kapitel behandeln wir die Grundlagen (Python, SQL, Mathe/Stats), damit du mit einem klaren Fundament in den Live-Unterricht startest.
Einführung in Python
- Geschichte der Python-Sprache
- Python-Grundlagen
- Wichtige Datenstrukturen in Python
- Klassen und Objekte
- Module und Pakete
- Ein- und Ausgabe
- Fehler- und Ausnahmebehandlung
Arbeitsumgebungen
- Python-Umgebungen
- Anaconda
- Jupyter Notebooks
SQL & Datenbanken
- SQL-Grundlagen
- SQL-Abfragen
Lineare Algebra
- Skalare und Vektoren
- Matrizen
- Normen
Git & GitHub
- Einführung in die Versionskontrolle
- Git-Workflow
- Repositorys inspizieren
- Änderungen rückgängig machen
- Changes holen und pullen
- Änderungen pushen
Projekt: Kurvenanpassung
- In diesem Projekt löst du das Problem der „Kurvenanpassung“: Finde die bestmögliche Funktionsgleichung für einen gegebenen Datensatz. Du wendest dabei OOP-Prinzipien, SQL-Abfragen, lineare Algebra und den kompletten Machine-Learning-Workflow an.
Lernplan
Montag – Freitag · 09:30 – 15:30 Uhr (Europa/Luxemburg – MEZ/MESZ)
Vorlesung
09:30–11:00
Vorlesung
11:30–13:00
Praxis-Session
14:00–15:30
Unsere Methodik
Online-Live-Unterricht
- Lerne in interaktiven Live-Sessions (Zeitzone Europa/Luxemburg – MEZ/MESZ) und tausche dich in Echtzeit mit Dozierenden sowie Mitlernenden aus – für echte Kollaboration und schnellen Fortschritt.
Selbststudium & Workload
- Teilzeit · 9 h Live-Unterricht + 11 h Selbststudium = 20 h / Woche
- Vollzeit · 22,5 h Live-Unterricht + 17,5 h Selbststudium = 40 h / Woche
Flipped-Classroom-Ansatz
- Erarbeite die Theorie eigenständig vorab und nutze die Live-Zeit für Diskussionen, Übungen und vertiefende Fragen.
Geführte Praxis
- Hands-on-Learning steht im Mittelpunkt: In begleiteten Sessions baust du reale Projekte für dein Portfolio und festigst zugleich das Gelernte – Schritt für Schritt, mit Feedback.
Voraussetzungen
Du brauchst keine Vorkenntnisse in Data Science oder Programmierung. Wir vermitteln die Grundlagen Schritt für Schritt, damit du anschließend sicher mit Daten arbeitest, Modelle trainierst und Ergebnisse verständlich kommunizierst. Ideal fürs Upskilling – besonders, wenn du in Luxemburg datengetriebene Entscheidungen besser unterstützen möchtest.
- Leistungsfähiger Laptop / Desktop-PC: Empfehlung: min. 16 GB RAM, 512 GB SSD, aktueller Quad-Core-Prozessor (z. B. Intel i5 / Ryzen 5) – wichtig für rechenintensive Data-Science-Aufgaben.
- Stabile Internetverbindung: Breitbandzugang für Live-Sessions, Cloud-Notebooks und das Herunterladen größerer Datensätze.
- Grundlegende Computerkenntnisse: Sicherer Umgang mit Betriebssystem, Dateiverwaltung und Webbrowsern.
- Englischkenntnisse: Mindestens B1-Niveau, um englischsprachige Fachmaterialien zu verstehen und sich in den Sessions auszutauschen.
- Lernbereitschaft: Motivation, wöchentlich mehrere Stunden in Live-Sessions, Coding-Übungen, Datenauswertungen und Selbststudium zu investieren.
Career Services – Coaching, CV-Feedback & Networking
Career-Workshops
Offene Sessions für Lernende in Luxemburg und der CLA-Community: von CV-Clinics bis zu praxisnahen Themen wie Bewerbungsstrategie, Portfolio-Aufbau und LinkedIn-Optimierung.
Individuelles 1:1-Coaching
Strukturierte Gespräche mit klaren nächsten Schritten: Ziele definieren, Skills priorisieren, Lern- und Bewerbungsplan erstellen – passend zu deinem Alltag in Luxemburg.
Mock-Interviews
Übe typische Fragen (fachlich & verhaltensorientiert), lerne deine Story zu strukturieren und gewinne Sicherheit – inklusive Feedback zu Kommunikation, Klarheit und Problem-Solving.
CV- & Profil-Checks
Präzises Feedback zu Lebenslauf, LinkedIn und – falls relevant – Anschreiben. Schwerpunkt: deine Projekte und Tech-Skills so darstellen, dass Recruiter schnell den Mehrwert erkennen.
Rollen- & Stellenüberblick
Kuratierte Hinweise zu Einstiegs- und Upskilling-Rollen (je nach Track) sowie Tipps, wie du in Luxemburg und international nach passenden Positionen suchst.
Resource Hub
Vorlagen, Checklisten und Übungen rund um Bewerbungsprozesse – jederzeit verfügbar: Portfolio-Struktur, Interview-Fragenkatalog, Skill-Mapping und mehr.
Mentoring & Networking
Vernetze dich in Live-Chats und Community-Formaten mit Mentor*innen, Alumni und Tech-Professionals – auch aus Luxemburg und der Großregion.
Alumni-Community
Bleib im Austausch, teile Learnings, finde Sparringspartner und entdecke Hinweise zu Projekten, Events und (wenn verfügbar) Jobmöglichkeiten aus dem Netzwerk.
Warum Code Labs Academy wählen?
1:1 Karriere-Coaching
Individuelle Unterstützung durch Karrierespezialist:innen: CV- und LinkedIn-Optimierung, Interviewtraining und eine Tech-fokussierte Bewerbungsstrategie.
Portfolio-taugliche Projekte
Abschluss mit einem GitHub-fertigen Portfolio praxisnaher Projekte—im Unterricht gebaut und mit Mentor-Feedback verfeinert.
Industrieorientiertes Curriculum
Der Lehrplan wird quartalsweise aktualisiert und richtet sich nach der aktuellen Nachfrage in KI, Cybersecurity und Webentwicklung.
Anerkanntes Zertifikat
Teile dein AZAV-akkreditiertes Code Labs Academy-Zertifikat auf LinkedIn, im Lebenslauf und bei Visaanträgen.